搜索：数据污染治理

「数据污染治理」共找到 2586 篇相关文章

科学界爆发AI认知污染！1年狂投50篇论文，ICLR投稿20%AI生成

如今AI正污染科学界，出现幽灵引用、虚假数据和图片等问题。论文工厂用模板量产造假论文，审稿人用AI应对，作者还用密令操控AI审稿。预印本平台投稿量暴涨，可能沦为垃圾场，引发认知污染。

2026年是具身智能交付元年，行业从卷模型转向拼数据。全球权威机构重新定义“人形机器人数据”地位，真机数据是模型落地关键。乐聚等企业积极布局，通过训练场模式获取数据，解决行业痛点。

雷峰网举办具身智能数据线上论坛，三位嘉宾探讨其从数据采集到闭环学习全过程。指出具身智能数据挑战严峻，分享真机数据稀缺解决方案，认为仿真合成数据是必经之路，还谈及产学协同、数据服务等内容。

谷歌DeepMind研究团队发表论文提出生成式数据精炼（GDR）方法，不直接生成新数据，而是用大模型净化原始数据，保留有用信息。该方法能解决数据枯竭、隐私等问题，实验显示效果良好。

MMLU-CF是微软亚洲研究院推出的无污染多任务语言理解基准测试，含20000道题、覆盖14学科。通过去污染规则和闭源测试集防数据泄露，保证评估结果可靠，已在Huggingface开放。

觅蜂科技成立72天亮出破局方案，推出MEgo系列无本体数据采集硬件，同步发布数据服务平台、治理引擎，启动蜂巢数据共创行动，与多家头部企业合作，欲解决具身智能数据难题。

文章聚焦猫超Matra项目的AI知识库建设。猫超数据体系庞大但有治理难题，促使Matra项目诞生，旨在实现智能取数。文中详述知识库设计、实践及效果，还提及未来在准确性、保鲜性和能力拓展上的规划。

具身智能进入数据scaling时代，VLA模型训练中数据并非越多越好。上海交大同济等校团队提出ATHENA框架，将影响函数扩展到十亿参数VLA模型，解决计算和筛选难题，实现313倍加速，实验证明其用更少数据获更好效果。

传统观点认为大型语言模型预训练应过滤“坏数据”，但论文《When Bad Data Leads to Good Models》提出反直觉观点，适度加入有毒数据，通过后训练技术可降低模型毒性，保持一般能力，挑战常规做法。

训练大模型难度随规模和应用拓展而增加，所需数据海量。机器人领域获取训练数据成本高，研究者尝试找替代方案。强化学习大牛Sergey Levine分析数据组合，认为鱼和熊掌不可兼得，替代数据有局限。